与「20261004フォービースト島編併せ」相关的搜索结果

3 个 Fable 5.2 Agent 花了 7 小时 41 分钟，制作了一台“电脑”。🤯 总共消耗 138.82 美元，最终生成了一段细节相当逼真的电脑硬件展示视频。 效果很惊艳。

近期在研究 DeepSeek Harness，也研究了一些能够让 Agent 在自主性和可调试性上获得更大提升的插件。挑了几个觉得还不错的，列出来，大家也可以试一试。 1）dsh-market：DSH 的插件市场，支持插件搜索、安装和更新。建议优先安装，后续探索插件会方便很多。 2）dsh-context：个人比较推荐。可以直观地看到 Context 的变化、Token 消耗和多 Agent 的运行状态。对于分析长任务中的决策偏差很有帮助，Agent Debug 正在从 Function Profiling 走向 Decision Profiling。 3）dsh-ops：优化 Shell、文件操作和工具调用，减少 Token 消耗与执行开销。Agent 的性能优化，很多时候还需要从工具接口和执行路径入手。 4）dsh-agent-teams：支持多 Agent 协作、任务依赖和状态持久化。比较值得研究的是任务调度与异常接管机制，多个 Agent 如何高效协作，仍然是个很有挑战的问题。 5）Hindsight：提供 Retain、Recall、Reflect 三类能力，让 Agent 能够积累和复用历史经验。长期记忆的价值在于让过去的经验影响未来的决策。另外，billion-context 也有相似的上下文延续能力，只不过它更侧重超长会话的分层压缩与历史信息找回，适合长程任务。 6）Ouroboros：通过 MCP 接入 DSH，围绕目标、执行和评测持续迭代。比较有意思的是，它开始尝试让 Agent 根据反馈调整自己的执行方式，向更深层次的 RSI 探索。 这几个项目从执行调试、效率优化、多 Agent 协作，到长程任务、长期记忆和自我改进，覆盖了 Agent 工程中几个比较重要的方向。 不过，我觉得目前还缺少一个比较成熟的任务管理插件，能够统一承接日常 TodoList、聊天和其他渠道产生的任务，管理优先级，并根据任务的复杂度、风险和 AI 的执行能力进行分级处理。简单任务自主完成，复杂任务持续推进，涉及关键决策和敏感操作时再交给人。 最近我也在写一个插件，尝试解决这块的问题。希望把任务管理、主动调度、分级自主执行和人工接管整合起来，让 Agent 能够真正承担更多日常工作。 有其他好用的插件，也欢迎推荐。👍

1/ 只靠 Fable 5.2，就能搭建一套从 3D 场景、动画特效到音效剪辑的视频制作工作流。🎬 开发者 Movez 整理了 20 个值得收藏的 Skills、开源项目和工具，覆盖运动设计、物理模拟、粒子特效、音乐同步与视频导出。 从创意到最终成片，工具链基本齐了。👇

Nikola Jokić and Jamal Murray made HISTORY in Denver's win vs. New Orleans 🤝 They are the FIRST pair of teammates since tracking began in 1997-98 to record 1,000+ assists to each other! Jokić: 26 PTS, 8 REB, 10 AST Murray: 23 PTS, 7 REB, 9 AST, 2 BLK

今天才知道 Tailscale 原来支持直连，以前总以为它像 Cloudflare Tunnel 一样要绕一大圈，压根没抱什么连接体验的指望。 - 换成 OpenBot，发现支持自建部署到服务器，服务端和APP 连接很方便。 - 看了下最低配置要求，4 GB 内存仅够支撑 2 个并发回合，手里的翻墙小鸡就别考虑了，只能部署到家里的服务器上，原计划用我熟悉的Frp打洞远程访问。 - 全权交给 AI：PVE 新建一台 Ubuntu 24.04 LTS 虚拟机，安装 OpenBot，顺便安装 Tailscale 试试速度。 - 没想到 Tailscale 成功实现了直连，手机流量到 PVE 服务器延迟只有 39 ms 左右，大大超出预期，实际使用几乎感受不到延迟。 - OpenBot 登录邮箱后，本地和手机都能顺畅迅速切换到 PVE-OpenBot，整体使用体验非常出色，分享出来供大家参考。

一天时间，Fable 5.2 就做出了一款能玩的 3D 魔法沙盒游戏。🧙‍♂️ 开发者 Blendi 用它实现了 7 种法术、约 1800 个可破坏的物理组件。 最有意思的是，整个游戏没有使用任何现成的 3D 模型或贴图，全部由代码生成，还能直接在浏览器里运行。 游戏已经开源，也可以在线体验。

更贵的模型，就一定更好吗？👀 有人拿 Fable 5.2 和 Opus 5.5 做了个很直观的对比：同一段长提示词，同样都是生成一个可交互的 3D 果冻橙子切片。 如果把名字和价格遮住，只看结果，你会选哪一个？

Fable 5.2 连音乐都能自己研究、自己创作了。🎵 Deedy 让它学习全部乐理知识，然后生成一首高质量 House 电子舞曲。 它为每种乐器随机尝试数千种节奏模式，选出最优组合，最终编排成一首 72 小节的完整曲目。 更有意思的是，整个过程中 AI 根本听不到自己创作的音乐，最终效果却相当不错。

折腾了半天 Tailscale，最后发现问题根本不在 Tailscale。 最近准备把我的 KnowledgeOS 部署到手机上，需要通过 Tailscale 打通 iPhone 和本地电脑。 结果安装完成后，软件死活打不开。 排查过程挺有意思： ① Windows 服务正常运行，Running。 ② tailscale status 显示 Logged out。 ③ tailscale login 执行后直接卡死。 ④ 测试登录服务器的 443 端口，结果居然是 True。 按常规思路，服务正常、端口通了，怎么还登录不了？ 直到我注意到一个细节： 被解析到了 198.18.0.19，网络接口显示 Mihomo。 问题终于有了方向。 Mihomo 的 Fake-IP 机制会给域名分配虚拟地址。TCP 连接测试通过，不代表应用真正连接到了目标服务器。 退出 Mihomo，清除 DNS 缓存，再次解析，终于拿到了正常的公网地址。 重新执行 tailscale login，登录链接立刻出来了。 这次经历让我重新认识了一个问题： 网络通了，不代表应用通了。服务运行了，也不代表业务正常了。 TCP 连通性、DNS 解析、代理路由、应用认证，本来就是不同层次的验证。 这和我平时处理自动化设备异常很像。PLC 在线、I/O 信号正常，并不意味着整套设备就能完成动作闭环。 很多时候最浪费时间的，不是故障本身，而是在错误的层级反复排查。 AI 能帮我迅速缩小范围，但真正有用的是每一步都拿到可验证的证据，而不是看见一个 True 就认定系统正常。